{"id":2983,"date":"2023-03-29T20:18:08","date_gmt":"2023-03-29T19:18:08","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/?p=2983"},"modified":"2026-11-10T16:16:00","modified_gmt":"2026-11-10T15:16:00","slug":"il-metodo-montecarlo","status":"publish","type":"post","link":"https:\/\/www.gironi.it\/blog\/il-metodo-montecarlo\/","title":{"rendered":"Il Metodo Montecarlo spiegato in modo semplice e applicato a casi reali"},"content":{"rendered":"\n<h2 class=\"wp-block-heading\" id=\"cose\">Cos&#8217;\u00e8 il metodo Monte Carlo<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La storia del metodo Monte Carlo comincia nel modo pi\u00f9 improbabile: con un matematico a letto che gioca a carte. Nel 1946, <strong>Stanis\u0142aw Ulam<\/strong>, matematico polacco in convalescenza dopo un intervento chirurgico, si ritrov\u00f2 a giocare a solitario per passare il tempo. Da matematico qual era, si chiese: quante probabilit\u00e0 ho di vincere una partita?<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il problema, sulla carta, era risolvibile: bastava enumerare tutte le possibili combinazioni di carte e contare quelle favorevoli. In pratica, per\u00f2, il numero di combinazioni era talmente enorme da rendere il calcolo analitico impraticabile. Ulam ebbe allora un&#8217;intuizione tanto semplice quanto potente: <strong>anzich\u00e9 calcolare la probabilit\u00e0 esatta, perch\u00e9 non simulare centinaia di partite e contare quante volte si vince?<\/strong><\/p>\n\n\n\n<!--more-->\n\n\n\n<p class=\"wp-block-paragraph\"><strong>In sintesi:<\/strong> il <strong>metodo Monte Carlo<\/strong> \u00e8 una tecnica che usa la simulazione casuale per risolvere problemi troppo complessi da affrontare analiticamente. Si generano migliaia di scenari possibili, si calcola il risultato per ciascuno e si aggregano i risultati in una distribuzione: non un numero unico, ma un ventaglio di possibilit\u00e0 con la loro probabilit\u00e0. Pi\u00f9 simulazioni eseguiamo, pi\u00f9 la stima si avvicina al valore reale (la legge dei grandi numeri).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;idea \u00e8 disarmante nella sua semplicit\u00e0. Se giochiamo 1.000 partite e ne vinciamo 230, possiamo stimare la probabilit\u00e0 di vittoria intorno al 23%. Pi\u00f9 partite simuliamo, pi\u00f9 la stima si avvicina al valore reale. Questo \u00e8, in essenza, il <strong>metodo Monte Carlo<\/strong>: usare la simulazione casuale per risolvere problemi che sarebbero troppo complessi da affrontare analiticamente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ulam condivise l&#8217;idea con il collega <strong>John von Neumann<\/strong>, probabilmente il pi\u00f9 brillante matematico del XX secolo, che ne intravide immediatamente il potenziale. Von Neumann cap\u00ec che l&#8217;<strong>ENIAC<\/strong> \u2014 uno dei primissimi computer elettronici, che occupava un&#8217;intera stanza \u2014 poteva eseguire migliaia di simulazioni in tempi ragionevoli. Insieme svilupparono il metodo per un problema ben pi\u00f9 serio del solitario: la <strong>diffusione dei neutroni<\/strong> nelle bombe atomiche, nell&#8217;ambito del progetto Manhattan a Los Alamos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il nome &#8220;Monte Carlo&#8221; fu scelto come nome in codice, un riferimento al celebre <strong>casin\u00f2 di Monte Carlo<\/strong> a Monaco. La leggenda vuole che l&#8217;ispirazione venisse dallo zio di Ulam, noto giocatore d&#8217;azzardo. In fondo, il cuore del metodo \u00e8 proprio il caso: generare numeri casuali per esplorare spazi di possibilit\u00e0 troppo vasti per essere percorsi sistematicamente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Da quei primi esperimenti nucleari degli anni &#8217;40, il metodo Monte Carlo si \u00e8 diffuso in ogni campo della scienza e dell&#8217;ingegneria. Oggi \u00e8 uno degli strumenti computazionali pi\u00f9 utilizzati al mondo, dalla fisica delle particelle alla finanza, dal rendering cinematografico alla scoperta di nuovi farmaci. Vediamo come funziona.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Di cosa parleremo:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><a href=\"#cose\">Cos&#8217;\u00e8 il metodo Monte Carlo<\/a><\/li><li><a href=\"#concetti\">Su cosa si basa: caso, grandi numeri, convergenza<\/a><\/li><li><a href=\"#quattro-passi\">Quali sono i quattro passi del metodo<\/a><\/li><li><a href=\"#esempio-pi\">Esempio 1 \u2014 come stimare \u03c0 con i numeri casuali<\/a><\/li><li><a href=\"#esempio-portafoglio\">Esempio 2 \u2014 come valutare il rischio di un portafoglio<\/a><\/li><li><a href=\"#esempio-seo\">Esempio 3 \u2014 quanti clic porta davvero salire di posizione?<\/a><\/li><li><a href=\"#simulatore\">Come funziona il simulatore: il moto browniano geometrico<\/a><\/li><li><a href=\"#applicazioni\">Dove si usa oggi il Monte Carlo?<\/a><\/li><li><a href=\"#limiti\">Quali sono vantaggi e limiti del metodo?<\/a><\/li><li><a href=\"#domande-frequenti\">Domande frequenti<\/a><\/li><li><a href=\"#per-approfondire\">Per approfondire<\/a><\/li><\/ul>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"concetti\">Su cosa si basa: caso, grandi numeri, convergenza<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Il fondamento del metodo Monte Carlo poggia su un principio statistico che abbiamo gi\u00e0 incontrato in altri articoli: la <a href=\"https:\/\/www.gironi.it\/blog\/teorema-del-limite-centrale\/\">legge dei grandi numeri<\/a>. In termini semplici, questa legge ci dice che la media di un campione casuale si avvicina alla media della popolazione man mano che il campione cresce. Tradotto nel linguaggio Monte Carlo: <strong>pi\u00f9 simulazioni eseguiamo, pi\u00f9 il risultato sar\u00e0 accurato<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per eseguire una simulazione Monte Carlo abbiamo bisogno di <strong>numeri casuali<\/strong>. In realt\u00e0, i computer non generano numeri veramente casuali: utilizzano algoritmi deterministici che producono sequenze di <strong>numeri pseudo-casuali<\/strong>, con propriet\u00e0 statistiche indistinguibili dal caso reale.<br>In R, ad esempio, la funzione <code>runif()<\/code> genera numeri uniformemente distribuiti tra 0 e 1. Il fatto che siano deterministici ha un lato prezioso: fissando il seme con <code>set.seed()<\/code>, chiunque riesegua lo stesso codice ottiene esattamente gli stessi numeri \u2014 ed \u00e8 il motivo per cui i risultati che vedremo tra poco sono riproducibili al decimale.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un aspetto cruciale \u00e8 il <strong>tasso di convergenza<\/strong>. L&#8217;errore della stima Monte Carlo diminuisce come <strong>1\/\u221an<\/strong>, dove n \u00e8 il numero di simulazioni. Questo significa che per dimezzare l&#8217;errore dobbiamo quadruplicare le simulazioni; per ottenere una cifra decimale in pi\u00f9 di precisione, servono 100 volte pi\u00f9 iterazioni.<br>Non \u00e8 particolarmente efficiente, ma la bellezza del metodo sta nel fatto che <strong>funziona indipendentemente dalla complessit\u00e0 del problema<\/strong>: che il problema abbia 2 o 2.000 variabili, il tasso di convergenza resta lo stesso.<\/p>\n\n\n\n<div class=\"wp-block-group has-background\" style=\"background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1rem;padding-left:1.5rem\"><div class=\"wp-block-group__inner-container is-layout-constrained wp-container-core-group-is-layout-eed7543b wp-block-group-is-layout-constrained\">\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1140\" height=\"585\" src=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/montecarlo-convergenza.png\" alt=\"A sinistra la stima di \u03c0 si assesta al crescere delle simulazioni; a destra l'errore tipico cala lungo la retta 1\/\u221an, misurato su molte ripetizioni indipendenti.\" class=\"wp-image-4080\" srcset=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/montecarlo-convergenza.png 1140w, https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/montecarlo-convergenza-300x154.png 300w, https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/montecarlo-convergenza-1024x525.png 1024w\" sizes=\"auto, (max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 1362px) 62vw, 840px\" \/><figcaption class=\"wp-element-caption\">A sinistra la stima di \u03c0 si assesta al crescere delle simulazioni; a destra l&#8217;errore tipico cala lungo la retta 1\/\u221an, misurato su molte ripetizioni indipendenti.<\/figcaption><\/figure>\n\n<\/div><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Va sempre tenuto bene a mente: nella pratica quotidiana dobbiamo bilanciare la <strong>precisione desiderata<\/strong> con le <strong>risorse computazionali disponibili<\/strong>. Aumentare il numero di simulazioni comporta un costo in termini di tempo di calcolo. Fortunatamente, i computer moderni rendono questo compromesso molto pi\u00f9 favorevole rispetto ai tempi dell&#8217;ENIAC.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"quattro-passi\">Quali sono i quattro passi del metodo<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Vediamo concretamente come si applica il metodo Monte Carlo. Il procedimento si articola in quattro passi fondamentali.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>1. Definire il modello.<\/strong> Per prima cosa, identifichiamo le variabili del problema e le distribuzioni di probabilit\u00e0 che le governano. Ad esempio, se vogliamo simulare il rendimento di un investimento, il modello includer\u00e0 il rendimento atteso (media) e la volatilit\u00e0 (deviazione standard), assumendo tipicamente una <a href=\"https:\/\/www.gironi.it\/blog\/la-distribuzione-normale\/\">distribuzione normale<\/a> dei rendimenti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>2. Generare scenari casuali.<\/strong> Utilizzando un generatore di numeri pseudo-casuali, produciamo migliaia di scenari possibili. Ogni scenario rappresenta una &#8220;storia alternativa&#8221;: un modo in cui le cose potrebbero andare.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>3. Calcolare il risultato per ogni scenario.<\/strong> Per ciascuno scenario, applichiamo il modello e otteniamo un risultato. Se stiamo simulando un investimento, il risultato sar\u00e0 il valore finale del portafoglio.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>4. Aggregare i risultati.<\/strong> Infine, analizziamo l&#8217;insieme dei risultati: calcoliamo la media, la mediana, i percentili. Questo ci d\u00e0 non solo una stima del risultato atteso, ma un&#8217;intera <strong>distribuzione delle possibilit\u00e0<\/strong>. Ed \u00e8 qui che il Monte Carlo brilla: non ci dice solo &#8220;quanto probabilmente guadagneremo&#8221;, ma anche &#8220;quanto potremmo perdere nel caso peggiore&#8221;.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Facciamo un esempio al volo per chiarire il concetto della convergenza. Immaginiamo di lanciare una moneta e di voler stimare la probabilit\u00e0 che esca testa. Dopo 10 lanci potremmo ottenere 7 teste (70%), una stima molto lontana dal vero 50%. Dopo 100 lanci saremo pi\u00f9 vicini, forse 53%. Dopo 10.000 lanci, la nostra stima sar\u00e0 molto vicina al 50%. Questo \u00e8 il Monte Carlo in azione: sostituiamo un calcolo teorico con un esperimento ripetuto migliaia di volte.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La potenza del metodo risiede nella sua <strong>flessibilit\u00e0<\/strong>. Mentre i metodi analitici richiedono formule chiuse (che spesso non esistono per problemi complessi), il Monte Carlo richiede solo di saper simulare il processo. Se riusciamo a scrivere un programma che genera uno scenario, il Monte Carlo ci d\u00e0 la distribuzione dei risultati.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"esempio-pi\">Esempio 1 \u2014 come stimare \u03c0 con i numeri casuali<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;esempio pi\u00f9 classico e didatticamente efficace del metodo Monte Carlo \u00e8 la <strong>stima del numero \u03c0<\/strong>. L&#8217;idea \u00e8 elegante: consideriamo un quadrato di lato 2 con un cerchio di raggio 1 inscritto al suo interno. L&#8217;area del quadrato \u00e8 4, l&#8217;area del cerchio \u00e8 \u03c0. Se generiamo punti casuali all&#8217;interno del quadrato, la proporzione di punti che cadono dentro il cerchio sar\u00e0 approssimativamente \u03c0\/4.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Calcolo in R con 100.000 punti:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>set.seed(123)\nn &lt;- 100000\nx &lt;- runif(n, -1, 1)\ny &lt;- runif(n, -1, 1)\ninside &lt;- (x^2 + y^2) &lt;= 1\npi_estimate &lt;- 4 * sum(inside) \/ n\npi_estimate\n# [1] 3.14632<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Lo stesso in Python:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>import random\nrandom.seed(123)\nn = 100000\ninside = sum(1 for _ in range(n)\n             if random.uniform(-1, 1)**2 + random.uniform(-1, 1)**2 &lt;= 1)\npi_estimate = 4 * inside \/ n\nprint(pi_estimate)\n# 3.13688<\/code><\/pre>\n\n\n\n<div class=\"wp-block-group has-background\" style=\"background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1rem;padding-left:1.5rem\"><div class=\"wp-block-group__inner-container is-layout-constrained wp-container-core-group-is-layout-eed7543b wp-block-group-is-layout-constrained\">\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"810\" height=\"810\" src=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/montecarlo-pi-punti.png\" alt=\"100.000 punti a caso nel quadrato: la quota che cade nel cerchio inscritto, moltiplicata per 4, stima \u03c0 (qui 3,146).\" class=\"wp-image-4081\" srcset=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/montecarlo-pi-punti.png 810w, https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/montecarlo-pi-punti-300x300.png 300w, https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/montecarlo-pi-punti-150x150.png 150w\" sizes=\"auto, (max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 984px) 61vw, (max-width: 1362px) 45vw, 600px\" \/><figcaption class=\"wp-element-caption\">100.000 punti a caso nel quadrato: la quota che cade nel cerchio inscritto, moltiplicata per 4, stima \u03c0 (qui 3,146).<\/figcaption><\/figure>\n\n<\/div><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Con 100.000 punti otteniamo gi\u00e0 una stima ragionevole, ma non precisissima: siamo alla seconda cifra decimale. Come si vede, R e Python partono dallo stesso seme ma usano generatori diversi e arrivano a numeri leggermente diversi (3,146 contro 3,137): entrambi ballano attorno al vero \u03c0 nella misura prevista dalla curva 1\/\u221an. Per guadagnare un&#8217;altra cifra di precisione servirebbero circa 100 volte pi\u00f9 punti. Sembra difficile? In realt\u00e0, \u00e8 davvero un giochetto da ragazzi \u2014 il computer fa tutto il lavoro pesante.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"esempio-portafoglio\">Esempio 2 \u2014 come valutare il rischio di un portafoglio<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Passiamo a un esempio pi\u00f9 vicino alla realt\u00e0 operativa. Supponiamo di avere un portafoglio composto da tre azioni con le seguenti caratteristiche:<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Azione<\/th><th>Rendimento atteso<\/th><th>Deviazione standard<\/th><th>Peso nel portafoglio<\/th><\/tr><\/thead><tbody><tr><td>A<\/td><td>8%<\/td><td>12%<\/td><td>40%<\/td><\/tr><tr><td>B<\/td><td>10%<\/td><td>15%<\/td><td>30%<\/td><\/tr><tr><td>C<\/td><td>12%<\/td><td>18%<\/td><td>30%<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Vogliamo stimare la probabilit\u00e0 che il rendimento del portafoglio superi il 10%. Simulo in R con 10.000 scenari:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>set.seed(42)\nsim_A &lt;- rnorm(10000, mean = 0.08, sd = 0.12)\nsim_B &lt;- rnorm(10000, mean = 0.10, sd = 0.15)\nsim_C &lt;- rnorm(10000, mean = 0.12, sd = 0.18)\nsim_portafoglio &lt;- 0.4 * sim_A + 0.3 * sim_B + 0.3 * sim_C\nprob_risultato &lt;- mean(sim_portafoglio &gt;= 0.10)\nprob_risultato\n# [1] 0.4903<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Lo stesso in Python:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>import random\nrandom.seed(42)\nn = 10000\ncount = 0\nfor _ in range(n):\n    a = random.gauss(0.08, 0.12)\n    b = random.gauss(0.10, 0.15)\n    c = random.gauss(0.12, 0.18)\n    ptf = 0.4 * a + 0.3 * b + 0.3 * c\n    if ptf &gt;= 0.10:\n        count += 1\nprint(count \/ n)\n# 0.4898<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il risultato ci dice che c&#8217;\u00e8 circa il 49% di probabilit\u00e0 di superare il 10% di rendimento. Ma il valore davvero prezioso non \u00e8 questo singolo numero: \u00e8 l&#8217;<strong>intera distribuzione<\/strong> che il Monte Carlo ci mette sotto gli occhi. Da l\u00ec leggiamo anche il rendimento mediano, il peggior scenario al 5\u00b0 percentile e \u2014 dato tutt&#8217;altro che secondario \u2014 la probabilit\u00e0 di chiudere in perdita, che qui sfiora il 13%.<\/p>\n\n\n\n<div class=\"wp-block-group has-background\" style=\"background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1rem;padding-left:1.5rem\"><div class=\"wp-block-group__inner-container is-layout-constrained wp-container-core-group-is-layout-eed7543b wp-block-group-is-layout-constrained\">\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1020\" height=\"660\" src=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/montecarlo-portafoglio.png\" alt=\"I 10.000 rendimenti simulati del portafoglio: circa il 49% supera l'obiettivo del 10%, circa il 13% chiude in perdita.\" class=\"wp-image-4082\" srcset=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/montecarlo-portafoglio.png 1020w, https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/montecarlo-portafoglio-300x194.png 300w\" sizes=\"auto, (max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 1362px) 62vw, 840px\" \/><figcaption class=\"wp-element-caption\">I 10.000 rendimenti simulati del portafoglio: circa il 49% supera l&#8217;obiettivo del 10%, circa il 13% chiude in perdita.<\/figcaption><\/figure>\n\n<\/div><\/div>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"esempio-seo\">Esempio 3 \u2014 quanti clic porta davvero salire di posizione?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Fin qui fisica e finanza; ma il Monte Carlo \u00e8 di casa anche nel nostro campo. Facciamo un esempio al volo. Stiamo valutando se vale la pena investire per far salire una pagina dalla nona posizione alla terza su una parola chiave interessante. La domanda del cliente \u00e8 secca: &#8220;quanti clic in pi\u00f9 porta?&#8221;. La tentazione \u00e8 rispondere con un conto della serva \u2014 volume medio mensile per CTR medio in terza posizione:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>12000 * 0.11\n# [1] 1320<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Milletrecento clic al mese, numero pulito e rassicurante. Peccato che sia <strong>falsamente preciso<\/strong>: nasconde due incertezze grosse come una casa. Le impressioni non sono una costante \u2014 oscillano con la stagionalit\u00e0 e con la domanda del mercato \u2014 e il <a href=\"https:\/\/www.gironi.it\/blog\/ctr-atteso-vs-reale\/\">CTR atteso<\/a> in terza posizione non \u00e8 un numero fisso, ma dipende dalla SERP, dalla presenza di elementi come gli AI Overview, dall&#8217;intento di ricerca. Invece di moltiplicare due medie, diamo in pasto al Monte Carlo l&#8217;incertezza di entrambe.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Simulo in R diecimila scenari, con le impressioni attorno a 12.000 (deviazione standard 2.500) e il CTR attorno all&#8217;11% (deviazione standard 3 punti):<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>set.seed(7)\nn &lt;- 10000\nimpressioni &lt;- rnorm(n, mean = 12000, sd = 2500)\nimpressioni[impressioni &lt; 0] &lt;- 0\nctr &lt;- rnorm(n, mean = 0.11, sd = 0.03)\nctr[ctr &lt; 0] &lt;- 0\nclic &lt;- impressioni * ctr\n\nmean(clic)                     # ~ 1323 clic\/mese\nmedian(clic)                   # ~ 1282\nquantile(clic, c(0.05, 0.95))  # ~ 632 ... 2139\nmean(clic &gt; 1500)              # ~ 0.33<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">La media (circa 1.320 clic) coincide col conto della serva, e fin qui nessuna sorpresa. Ma la simulazione aggiunge proprio ci\u00f2 che il numero secco cancellava: gli scenari plausibili vanno da <strong>circa 630 a circa 2.140 clic al mese<\/strong>, e se il progetto va in pari solo sopra i 1.500 clic, la probabilit\u00e0 di superarli \u00e8 appena un terzo. \u00c8 lo stesso istogramma dell&#8217;esempio del portafoglio, applicato ai clic invece che ai rendimenti \u2014 e racconta una storia che &#8220;1.320&#8221; da solo non poteva raccontare.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Un forecast SEO onesto non \u00e8 un numero, \u00e8 una distribuzione<\/strong>: dice quanto possiamo aspettarci <em>e<\/em> quanto \u00e8 larga l&#8217;incertezza attorno a quell&#8217;attesa. Portare quella larghezza sul tavolo del cliente, invece di nasconderla dietro una cifra tonda, \u00e8 ci\u00f2 che separa una promessa da una stima difendibile.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"simulatore\">Come funziona il simulatore: il moto browniano geometrico<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Per rendere il concetto ancora pi\u00f9 tangibile, abbiamo costruito un <strong>simulatore interattivo<\/strong> che applica il metodo Monte Carlo alla previsione del valore futuro di un investimento. Il modello alla base \u00e8 il <strong>moto browniano geometrico<\/strong> (Geometric Brownian Motion, GBM), lo stesso utilizzato nel celebre modello di Black-Scholes per il pricing delle opzioni finanziarie.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In termini intuitivi, il prezzo futuro di un asset si calcola come il prezzo corrente moltiplicato per una crescita casuale. La formula che genera un passo del percorso \u00e8:<\/p>\n\n\n\n<p class=\"has-text-align-center\">\\( \\displaystyle S_{t+1} = S_t \\cdot \\exp\\left( \\left(\\mu &#8211; \\frac{\\sigma^2}{2}\\right)\\Delta t + \\sigma \\sqrt{\\Delta t}\\; Z \\right) \\)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">dove <strong>\u03bc<\/strong> \u00e8 il rendimento atteso annuo (la &#8220;crescita media&#8221;), <strong>\u03c3<\/strong> \u00e8 la volatilit\u00e0 (quanto il prezzo oscilla, la nostra misura di incertezza), <strong>\u0394t<\/strong> \u00e8 l&#8217;ampiezza del passo temporale e <strong>Z<\/strong> \u00e8 un numero casuale con distribuzione normale. Ogni simulazione genera un percorso diverso: alcuni scenari vedranno il portafoglio crescere molto, altri lo vedranno diminuire.<\/p>\n\n\n\n<div class=\"wp-block-group has-background\" style=\"background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1rem;padding-left:1.5rem\"><div class=\"wp-block-group__inner-container is-layout-constrained wp-container-core-group-is-layout-eed7543b wp-block-group-is-layout-constrained\">\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1050\" height=\"660\" src=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/montecarlo-gbm-traiettorie.png\" alt=\"Traiettorie simulate del valore di un investimento su un anno: la banda 5\u00b0\u201395\u00b0 percentile si allarga nel tempo mentre la mediana cresce lentamente.\" class=\"wp-image-4083\" srcset=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/montecarlo-gbm-traiettorie.png 1050w, https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/montecarlo-gbm-traiettorie-300x189.png 300w, https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/montecarlo-gbm-traiettorie-1024x644.png 1024w\" sizes=\"auto, (max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 1362px) 62vw, 840px\" \/><figcaption class=\"wp-element-caption\">Traiettorie simulate del valore di un investimento su un anno: la banda 5\u00b0\u201395\u00b0 percentile si allarga nel tempo mentre la mediana cresce lentamente.<\/figcaption><\/figure>\n\n<\/div><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Il grafico qui sopra mostra il ventaglio dei possibili percorsi; il simulatore qui sotto lascia muovere le manopole \u2014 rendimento, volatilit\u00e0, orizzonte \u2014 e osservare come cambia la distribuzione dei risultati finali.<\/p>\n\n\n\n<iframe src=\"https:\/\/www.gironi.it\/utility\/montecarlo-simulatore\/\" width=\"100%\" height=\"600\" style=\"border:none;border-radius:12px;\" loading=\"lazy\" title=\"Simulatore Monte Carlo\"><\/iframe>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"applicazioni\">Dove si usa oggi il Monte Carlo?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Dalla fisica nucleare degli anni &#8217;40, il metodo Monte Carlo si \u00e8 diffuso in ambiti che Ulam e von Neumann non avrebbero immaginato. Vediamo le applicazioni pi\u00f9 affascinanti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Rendering 3D e cinema.<\/strong> Ogni volta che guardiamo un film Pixar o un blockbuster con effetti speciali, stiamo ammirando il Monte Carlo in azione. La tecnica si chiama <strong>path tracing<\/strong>: per calcolare il colore di ogni pixel, il software simula milioni di raggi di luce che rimbalzano tra le superfici della scena. Ogni raggio segue un percorso casuale, e la media di migliaia di percorsi produce l&#8217;immagine fotorealistica che vediamo sullo schermo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Finanza e gestione del rischio.<\/strong> Nel mondo finanziario, il Monte Carlo \u00e8 onnipresente. Le banche lo usano per calcolare il <strong>Value at Risk<\/strong> (VaR), ovvero la perdita massima probabile di un portafoglio in un dato orizzonte temporale. \u00c8 lo stesso principio del nostro simulatore, applicato a portafogli con centinaia di asset e correlazioni complesse. Anche il pricing di opzioni esotiche, che non hanno formule chiuse, si basa su simulazioni Monte Carlo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Scoperta di nuovi farmaci.<\/strong> Nella ricerca farmaceutica, il Monte Carlo viene utilizzato per simulare il <strong>docking molecolare<\/strong>: come una molecola candidata si lega a una proteina bersaglio. Simulando milioni di configurazioni spaziali possibili, i ricercatori identificano i composti pi\u00f9 promettenti prima ancora di sintetizzarli in laboratorio, risparmiando anni di sperimentazione.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Modelli climatici.<\/strong> I modelli che prevedono il cambiamento climatico sono intrinsecamente incerti: dipendono da scenari di emissioni, feedback atmosferici, dinamiche oceaniche. Il Monte Carlo permette di esplorare migliaia di combinazioni di parametri e generare le <strong>bande di incertezza<\/strong> che vediamo nei rapporti dell&#8217;IPCC. Non una singola previsione, ma una distribuzione di futuri possibili.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Intelligenza artificiale.<\/strong> Nel machine learning, una tecnica chiamata <strong>Monte Carlo dropout<\/strong> usa la simulazione per stimare l&#8217;incertezza delle previsioni di una rete neurale. E il celebre <strong>AlphaGo<\/strong> di DeepMind, che nel 2016 sconfisse il campione mondiale di Go, utilizzava il <strong>Monte Carlo Tree Search<\/strong> (MCTS) per esplorare le mosse possibili in un gioco con pi\u00f9 configurazioni degli atomi nell&#8217;universo.<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Campo<\/th><th>Esempio<\/th><th>Cosa si simula<\/th><\/tr><\/thead><tbody><tr><td>Cinema\/3D<\/td><td>Path tracing (Pixar)<\/td><td>Percorsi dei raggi di luce<\/td><\/tr><tr><td>Finanza<\/td><td>Value at Risk<\/td><td>Scenari di mercato<\/td><\/tr><tr><td>Farmaceutica<\/td><td>Docking molecolare<\/td><td>Configurazioni spaziali<\/td><\/tr><tr><td>Clima<\/td><td>Modelli IPCC<\/td><td>Combinazioni di parametri<\/td><\/tr><tr><td>AI<\/td><td>AlphaGo (MCTS)<\/td><td>Mosse possibili<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"limiti\">Quali sono vantaggi e limiti del metodo?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Come ogni strumento statistico, il metodo Monte Carlo ha i suoi punti di forza e i suoi limiti. Vediamoli con onest\u00e0.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Flessibilit\u00e0.<\/strong> Il vantaggio pi\u00f9 grande \u00e8 la versatilit\u00e0: il Monte Carlo si applica a problemi complessi di qualsiasi dimensione e in qualsiasi campo, dalla finanza all&#8217;ingegneria, dalla fisica alla biologia. Non richiede formule chiuse, solo la capacit\u00e0 di simulare il processo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Accuratezza.<\/strong> Con un numero sufficiente di simulazioni, la stima pu\u00f2 essere resa arbitrariamente precisa. Pi\u00f9 eseguiamo il metodo, pi\u00f9 il risultato converge al valore reale.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Scalabilit\u00e0.<\/strong> Diversamente dai metodi a griglia, che soffrono della &#8220;maledizione della dimensionalit\u00e0&#8221; (il costo esplode con il numero di variabili), il Monte Carlo mantiene lo stesso tasso di convergenza indipendentemente dal numero di dimensioni. Questo lo rende l&#8217;unico strumento praticabile per problemi con molte variabili.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Tuttavia, va tenuto bene a mente che il metodo presenta anche <strong>limiti significativi<\/strong>. Il primo \u00e8 la <strong>convergenza lenta<\/strong>: il tasso 1\/\u221an significa che per guadagnare una cifra di precisione servono 100 volte pi\u00f9 simulazioni, e per problemi che richiedono altissima precisione questo pu\u00f2 essere proibitivo. Il secondo \u00e8 il <strong>costo computazionale<\/strong>: per problemi complessi ogni singola simulazione pu\u00f2 richiedere tempo significativo, e moltiplicato per milioni di iterazioni il conto diventa salato.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">C&#8217;\u00e8 per\u00f2 un limite pi\u00f9 insidioso, che non riguarda il calcolo ma il ragionamento:<\/p>\n\n\n\n<div class=\"wp-block-group has-background\" style=\"background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1.5rem;padding-left:1.5rem\"><div class=\"wp-block-group__inner-container is-layout-flow wp-block-group-is-layout-flow\">\n<p>Un avvertimento: il Monte Carlo non crea informazione dal nulla, la propaga. La distribuzione dei risultati \u00e8 affidabile esattamente quanto le distribuzioni che diamo in pasto al modello. Se sbagliamo le medie, le deviazioni standard o le correlazioni degli input, otterremo un output preciso nella forma ma falso nella sostanza \u2014 la classica spazzatura dentro, spazzatura fuori. E le migliaia di simulazioni regalano un&#8217;illusione di rigore che il modello di partenza magari non merita: la parte difficile non \u00e8 far girare il codice, \u00e8 scegliere bene le distribuzioni.<\/p>\n<\/div><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Per mitigare i limiti di costo e convergenza, negli anni sono state sviluppate <strong>tecniche di riduzione della varianza<\/strong> che permettono di ottenere risultati pi\u00f9 precisi con meno simulazioni:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><strong>Importance sampling<\/strong>: campionare da una distribuzione alternativa che &#8220;concentra&#8221; le simulazioni nelle regioni pi\u00f9 informative.<\/li><li><strong>Control variates<\/strong>: utilizzare una variabile correlata di cui conosciamo il valore atteso per ridurre la varianza della stima.<\/li><li><strong>Stratified sampling<\/strong>: suddividere lo spazio in sottogruppi omogenei e campionare da ciascuno.<\/li><li><strong>Antithetic variates<\/strong>: sfruttare coppie di numeri casuali negativamente correlati per ridurre la varianza.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Il metodo Monte Carlo rappresenta uno degli strumenti pi\u00f9 potenti della statistica computazionale. Nei prossimi articoli vedremo come alcune di queste tecniche \u2014 in particolare il <strong>bootstrap<\/strong>, che del Monte Carlo \u00e8 parente stretto \u2014 si applicano a problemi concreti di inferenza statistica.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"domande-frequenti\">Domande frequenti<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Che cos&#8217;\u00e8 il metodo Monte Carlo?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c8 una tecnica che usa la simulazione casuale per risolvere problemi troppo complessi per il calcolo analitico: si generano migliaia di scenari possibili, si calcola il risultato per ciascuno e si aggrega tutto in una distribuzione di possibilit\u00e0, con le relative probabilit\u00e0.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Come funziona il metodo Monte Carlo?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">In quattro passi: definire il modello (variabili e distribuzioni), generare scenari casuali, calcolare il risultato per ogni scenario e aggregare i risultati in media, mediana e percentili. Non d\u00e0 un solo numero atteso, ma l&#8217;intera distribuzione dei possibili esiti.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Perch\u00e9 si chiama &#8220;Monte Carlo&#8221;?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Il nome fu scelto da Ulam e von Neumann come nome in codice per i loro lavori a Los Alamos, in riferimento al celebre casin\u00f2 di Monaco: il cuore del metodo \u00e8 proprio il caso. La leggenda vuole che l&#8217;ispirazione venisse dallo zio di Ulam, un noto giocatore d&#8217;azzardo.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Quante simulazioni servono per un risultato affidabile?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Dipende dalla precisione che vogliamo: l&#8217;errore della stima cala come 1\/\u221an, dove n \u00e8 il numero di simulazioni. Per dimezzare l&#8217;errore servono quattro volte pi\u00f9 simulazioni; per una cifra decimale in pi\u00f9, cento volte. In pratica, con migliaia di scenari si ottengono stime pi\u00f9 che ragionevoli.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">In quali campi si usa il Monte Carlo?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Praticamente ovunque ci sia incertezza: dalla fisica delle particelle al rendering 3D (il path tracing dei film d&#8217;animazione), dalla finanza (Value at Risk, pricing di opzioni) alla ricerca farmaceutica (docking molecolare), dai modelli climatici all&#8217;intelligenza artificiale (AlphaGo usa il Monte Carlo Tree Search).<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Qual \u00e8 il limite pi\u00f9 insidioso del Monte Carlo?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Che non crea informazione dal nulla: la propaga. La distribuzione dei risultati \u00e8 affidabile esattamente quanto le distribuzioni che diamo in pasto al modello. Se sbagliamo gli input, otteniamo un output preciso nella forma ma falso nella sostanza \u2014 la classica spazzatura dentro, spazzatura fuori.<\/p>\n\n\n\n<script type=\"application\/ld+json\">{\"@context\": \"https:\/\/schema.org\", \"@type\": \"FAQPage\", \"mainEntity\": [{\"@type\": \"Question\", \"name\": \"Che cos'\u00e8 il metodo Monte Carlo?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"\u00c8 una tecnica che usa la simulazione casuale per risolvere problemi troppo complessi per il calcolo analitico: si generano migliaia di scenari possibili, si calcola il risultato per ciascuno e si aggrega tutto in una distribuzione di possibilit\u00e0, con le relative probabilit\u00e0.\"}}, {\"@type\": \"Question\", \"name\": \"Come funziona il metodo Monte Carlo?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"In quattro passi: definire il modello (variabili e distribuzioni), generare scenari casuali, calcolare il risultato per ogni scenario e aggregare i risultati in media, mediana e percentili. Non d\u00e0 un solo numero atteso, ma l'intera distribuzione dei possibili esiti.\"}}, {\"@type\": \"Question\", \"name\": \"Perch\u00e9 si chiama \\\"Monte Carlo\\\"?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Il nome fu scelto da Ulam e von Neumann come nome in codice per i loro lavori a Los Alamos, in riferimento al celebre casin\u00f2 di Monaco: il cuore del metodo \u00e8 proprio il caso. La leggenda vuole che l'ispirazione venisse dallo zio di Ulam, un noto giocatore d'azzardo.\"}}, {\"@type\": \"Question\", \"name\": \"Quante simulazioni servono per un risultato affidabile?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Dipende dalla precisione che vogliamo: l'errore della stima cala come 1\/\u221an, dove n \u00e8 il numero di simulazioni. Per dimezzare l'errore servono quattro volte pi\u00f9 simulazioni; per una cifra decimale in pi\u00f9, cento volte. In pratica, con migliaia di scenari si ottengono stime pi\u00f9 che ragionevoli.\"}}, {\"@type\": \"Question\", \"name\": \"In quali campi si usa il Monte Carlo?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Praticamente ovunque ci sia incertezza: dalla fisica delle particelle al rendering 3D (il path tracing dei film d'animazione), dalla finanza (Value at Risk, pricing di opzioni) alla ricerca farmaceutica (docking molecolare), dai modelli climatici all'intelligenza artificiale (AlphaGo usa il Monte Carlo Tree Search).\"}}, {\"@type\": \"Question\", \"name\": \"Qual \u00e8 il limite pi\u00f9 insidioso del Monte Carlo?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Che non crea informazione dal nulla: la propaga. La distribuzione dei risultati \u00e8 affidabile esattamente quanto le distribuzioni che diamo in pasto al modello. Se sbagliamo gli input, otteniamo un output preciso nella forma ma falso nella sostanza \u2014 la classica spazzatura dentro, spazzatura fuori.\"}}]}<\/script>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"per-approfondire\">Per approfondire<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Se vuoi approfondire il metodo Monte Carlo e le sue applicazioni nel mondo finanziario, <a href=\"https:\/\/www.amazon.it\/dp\/1441915753?tag=consulenzeinf-21&#038;ascsubtag=il-metodo-montecarlo\" rel=\"nofollow sponsored noopener\" target=\"_blank\"><em>Monte Carlo Methods in Financial Engineering<\/em><\/a> di Paul Glasserman \u00e8 il riferimento pi\u00f9 completo: copre dalla teoria alla pratica con esempi dettagliati nel pricing di derivati e nella gestione del rischio. Per il versante pi\u00f9 divulgativo \u2014 l&#8217;idea che una buona previsione sia una distribuzione di scenari e non un numero secco \u2014 <a href=\"https:\/\/www.amazon.it\/dp\/8860443865?tag=consulenzeinf-21&#038;ascsubtag=il-metodo-montecarlo\" rel=\"nofollow sponsored noopener\" target=\"_blank\"><em>Il segnale e il rumore<\/em><\/a> di Nate Silver \u00e8 una lettura eccellente sul ragionamento probabilistico applicato alle previsioni.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Cos&#8217;\u00e8 il metodo Monte Carlo La storia del metodo Monte Carlo comincia nel modo pi\u00f9 improbabile: con un matematico a letto che gioca a carte. Nel 1946, Stanis\u0142aw Ulam, matematico polacco in convalescenza dopo un intervento chirurgico, si ritrov\u00f2 a giocare a solitario per passare il tempo. Da matematico qual era, si chiese: quante probabilit\u00e0 &hellip; <a href=\"https:\/\/www.gironi.it\/blog\/il-metodo-montecarlo\/\" class=\"more-link\">Leggi tutto<span class=\"screen-reader-text\"> &#8220;Il Metodo Montecarlo spiegato in modo semplice e applicato a casi reali&#8221;<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","footnotes":""},"categories":[629],"tags":[],"class_list":["post-2983","post","type-post","status-publish","format-standard","hentry","category-statistica-it"],"lang":"it","translations":{"it":2983,"en":3512},"uagb_featured_image_src":{"full":false,"thumbnail":false,"medium":false,"medium_large":false,"large":false,"1536x1536":false,"2048x2048":false,"post-thumbnail":false},"uagb_author_info":{"display_name":"paolo","author_link":"https:\/\/www.gironi.it\/blog\/author\/paolo\/"},"uagb_comment_info":25,"uagb_excerpt":"Cos&#8217;\u00e8 il metodo Monte Carlo La storia del metodo Monte Carlo comincia nel modo pi\u00f9 improbabile: con un matematico a letto che gioca a carte. Nel 1946, Stanis\u0142aw Ulam, matematico polacco in convalescenza dopo un intervento chirurgico, si ritrov\u00f2 a giocare a solitario per passare il tempo. Da matematico qual era, si chiese: quante probabilit\u00e0&hellip;","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/2983","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/comments?post=2983"}],"version-history":[{"count":5,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/2983\/revisions"}],"predecessor-version":[{"id":4622,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/2983\/revisions\/4622"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=2983"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/categories?post=2983"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/tags?post=2983"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}